PyTorch版《動手學(xué)深度學(xué)習(xí)》開源了

想要入門最前沿的深度學(xué)習(xí)，想要玩最常見的深度學(xué)習(xí)框架？那就用 PyTorch 版的《動手學(xué)深度學(xué)習(xí)》吧，零基礎(chǔ)也能入門 DL。

李沐等人的開源中文書《動手學(xué)深度學(xué)習(xí)》現(xiàn)在有 PyTorch 版實現(xiàn)了。不論是原書中的示例代碼，還是實戰(zhàn)項目，原來的 MXNet 都可以無縫轉(zhuǎn)化到 PyTorch 代碼。項目作者在保持原書內(nèi)容基本不變的情況下，將 MXNet 代碼都轉(zhuǎn)換為了 PyTorch，想要學(xué)習(xí) DL 和 PyTorch 的小伙伴們可以試試啊。

項目地址：https://github.com/ShusenTang/Dive-into-DL-PyTorch

近年來，不論是計算機(jī)專業(yè)的學(xué)生，還是已在科技互聯(lián)網(wǎng)行業(yè)從業(yè)多年的技術(shù)人員和其他從業(yè)者，人們對深度學(xué)習(xí)的興趣從未如此高漲。但是，由于語言等因素，中文版本的優(yōu)秀深度學(xué)習(xí)教材也是鳳毛麟角。

之前，亞馬遜首席科學(xué)家李沐等人曾以電子版的形式在 GitHub 上開源了一本深度學(xué)習(xí)中文書籍——《動手學(xué)深度學(xué)習(xí)》，這是一本深度學(xué)習(xí)的入門教程類書籍。其英文版被 UC 伯克利「深度學(xué)習(xí)導(dǎo)論（STAT 157）」課程采用，2019 年李沐等在教授深度學(xué)習(xí)課程時也使用了這本教程。

中文版開源地址：https://github.com/d2l-ai/d2l-zh

目前，該項目在 GitHub 上已獲得超過 1.1 萬星，并且中文版電子書還發(fā)布了紙質(zhì)版書籍。不過雖然書籍非常優(yōu)秀，但還是有一些讀者不太習(xí)慣用 Gluon 來寫代碼，畢竟開源項目大部分都是 TF 或 PyTorch 寫的?，F(xiàn)在好了，我們可以直接結(jié)合書籍內(nèi)容和 PyTorch 框架，更深入地理解 DL。

項目怎么樣

項目作者表示，該倉庫主要包含 code 和 docs 兩個文件夾。其中 code 文件夾就是每章相關(guān) jupyter notebook 代碼（基于 PyTorch）；docs 文件夾就是 markdown 格式的《動手學(xué)深度學(xué)習(xí)》書中的相關(guān)內(nèi)容，它也是基于 PyTorch 的。

由于原書內(nèi)容使用的是 MXNet 框架，所以 docs 內(nèi)容可能與原書略有不同，但是整體內(nèi)容是一樣的。如下所示為 docs 目錄下的文檔，它一共包含十章，大部分內(nèi)容已經(jīng)非常完整了，即 1-8 章和第 10 章，只有第 9 章計算機(jī)視覺還在繼續(xù)補(bǔ)全中。

其實新項目的內(nèi)容結(jié)構(gòu)與組織方式和原書是一樣的，上面展示的 docs 目錄主要可以分為三部分：基礎(chǔ)知識（1-3 章）、現(xiàn)代深度學(xué)習(xí)技術(shù)（4-6 章）、計算性能與應(yīng)用（7-10）。如下所示為全書不同章節(jié)的主題與依賴關(guān)系，箭頭表示上一章有助于理解下一章。

除了內(nèi)容，另一大部分就是實戰(zhàn)代碼了，隨書代碼基本都轉(zhuǎn)化為了 PyTorch，它如同原書一樣也是用 Jupyter Notebook 寫的，這樣更好地展示代碼與文字解釋。因為 GitHub 加載 Jupyter Notebook 挺慢的，所以最好還是下到本地查閱。

最后，《動手學(xué)深度學(xué)習(xí)》與 PyTorch 也是非常好的搭檔，也就是說我們不需要任何機(jī)器學(xué)習(xí)或深度學(xué)習(xí)背景知識，只需要了解基本數(shù)學(xué)與 Python 編程就可以了。

從 MXNet 到 PyTorch

這樣看起來可能不太直觀，我們可以通過兩個案例看看原版《動手學(xué)深度學(xué)習(xí)》隨書代碼和 PyTorch 版之間的區(qū)別。如果我們抽取使用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建語言模型的分布代碼，就能看看原版 Gluon 和新版 PyTorch 之間的區(qū)別。

如下是原書采用 RNN 建模語言模型的部分代碼（原書 6.5 章），我們主要抽取了模型定義部分：

如上可以改寫為對應(yīng)的 PyTorch 代碼，它們的風(fēng)格雖然都非常簡潔，但還是有一些不同的。